152
Referencia Bibliográfica
Abdulwahhab Hamad, K., & Kaya, M. (2013). A Detailed Analysis of Optical Character
Recognition Technology. In Original Research Paper This journal is © Advanced
Technology & Science (Issue 4). http://ijamec.atscience.org
Arturo, C., Álvarez, M., Surcolombiana, U., De, F., Sociales, C., Humanas, Y., De
Comunicación Social, P., Periodismo, Y., & Monje Álvarez, C. A. (2011).
METODOLOGÍA DE LA INVESTIGACIÓN CUANTITATIVA Y CUALITATIVA Guía
didáctica.
Breuel, T. M. (n.d.). The OCRopus Open Source OCR System.
Chopra, A., & Rawat, S. (n.d.). Active Contours, Gvf and Balloon Model. In Praveen
KumarInternational Journal Of Computational Engineering Research (Vol. 2, Issue 2).
Ciresan, D. C., Meier, U., Gambardella, L. M., & Schmidhuber, J. (2010). Deep Big Simple
Neural Nets Excel on Handwritten Digit Recognition.
https://doi.org/10.1162/NECO_a_00052
Custodio, A. (2016). Tess2Speech: An Intelligent Character Recognition-To-Speech
Application for Android Using Google’s Tesseract Optical Character Recognition
Engine.
Daniel, J., & Martin, J. H. (2024). Speech and Language Processing.
Elmi, M. A., & Evens, M. (1998). Spelling correction using context. Proceedings of the 17th
International Conference on Computational Linguistics -, 1, 360.
https://doi.org/10.3115/980451.980906
Escribà del Arco, A. (2013). Reconocimiento De Escritura No Basado en Líneas.
Getreuer, P. (2012). Chan-Vese Segmentation. Image Processing On Line, 2, 214–224.
https://doi.org/10.5201/ipol.2012.g-cv
Giraldi, G. A., Marturelli, L. S., & Rodrigues, P. S. (n.d.). GRADIENT VECTOR FLOW
MODELS FOR BOUNDARY EXTRACTION IN 2D IMAGES.
http://iacl.ece.jhu.edu/projects/gvf/faq.html
Gonzalez, B. M. (2012). Iris: A Solution for Executing Handwritten Code [University of
Agder]. https://core.ac.uk/download/pdf/225888017.pdf
Guerrero Alejandra, & Silva, G. (n.d.). Extracción de palabras clave usando hipergrafos.
Jackel L, B. M. B. J. B. J. B. C. B. H. (n.d.). Neural-Net Applications in Character
Recognition and Document Analysis.
Kass, M., Witkin, A., & Terzopoulos, D. (1988). Snakes: Active Contour Models.
Kusuma, A. T. A., & Ratnasari, C. I. (2023). COMPARISON OF SPELL CORRECTION IN
BAHASA INDONESIA: PETER NORVIG, LSTM, AND N-GRAM. JIKO (Jurnal
Informatika Dan Komputer), 6(3), 214–220. https://doi.org/10.33387/jiko.v6i3.7072
Lavrenko, V., Rath, T. M., & Manmatha, R. (n.d.). Holistic Word Recognition for
Handwritten Historical Documents.
Martnez Mndez, F. Javier. (2004). Recuperacin de informacin : modelos, sistemas y
evaluacin. Kiosko.
Miralles, L., Pelayo, R., & Brieva, J. (2015). Reconocimiento de dígitos escritos a mano
mediante métodos de tratamiento de imagen y modelos de clasificación. In 83 Research
in Computing Science (Vol. 93).
Moyotl-Hernández, E. (n.d.). Spell Checking Method Based on the Frequency of Letters.
https://www.google.com
Rabaev, I., Biller, O., El-Sana, J., Kedem, K., & Dinstein, I. (n.d.). Text Line Detection in
Corrupted and Damaged Historical Manuscripts.
Röder, P. (2009). Adapting the RWTH-OCR Handwriting Recognition System to French
Handwriting.
Rubio Sánchez, H., José, & Murillo Fuentes, J. J. (2017). Deep Learning para el
Reconocimiento de Texto Manuscrito.
Seijas, L. M. (2011). Reconocimiento de patrones utilizando técnicas estadísticas
y conexionistas aplicadas a la clasificación de dígitos manuscritos.